·340 智能系统学报 第6卷 变化值作为火灾判据.火焰形状特征的提取可以用 映火焰位置的变动量.若当前帧重心为(x,y),前 简单算法来实现，计算量也很小，这十分有利于提高 一帧重心(x,y),则当前帧位移： 火灾图像处理程序的运行速度， d=√(x1-x)2+(y1-yo). (2) 1.1基于RGB颜色分布规律的目标区域分割 RGB颜色模型是由反映颜色亮度级的R、G、B 2 BP神经网络算法 3值相互叠加混色的一种常用的色彩模型.其中R BP神经网络51是一种单向传播的多层前向反 (red)代表红基色，G(green)代表绿基色，B(blue)代 馈式神经网络.它具有很好的非线性映射能力，可以 表蓝基色，火灾发生早期，火焰的颜色一般显红黄 实现M维欧氏空间到N维欧氏空间的任意映射. 色，随着温度的逐渐上升，火焰的颜色越来越浅，甚 BP网络的学习过程包括2个阶段：工作信号正向 至呈白色.这种特点表现为R≥G,G≥B及R>Rr 传播与误差信号反向传播.前一阶段是从第1层输 的颜色分布4.R为红基色的一个阈值.图像处理 入学习样本，通过已知的网络结构和前一次迭代的 程序对图像上每个像素进行分析时，满足火焰颜色 阈值和权值，向后计算各神经元的输出.后一阶段则 分布的点设成白点，不满足的点设为黑点，实现二值 是向前计算权值和阈值对总误差的影响，据此调整 化.经多次实验得出，当R,取160时，火焰分离效果 网络权值(0，T:)和阈值（θ），使误差(E)沿梯度下 最好.图1为二值化后的一幅火灾图像，光亮区域为 降.文中的BP网络有3层节点，分别为火灾判据的 目标区域.光亮区域可能是由火灾生成的，也可能是 输入层节点、隐层节点y:和给出判别结果的输出 由干扰源生成的，需要进一步排除干扰，判别火灾. 层节点Q, 在当前输入层节点与隐层节点间的网络权值为 和，隐层节点与输出层节点间的网络权值为T:,若 给出一火灾样本(x,),代表图像的类型，火灾图 像为1，干扰图像为0，则BP模型的计算公式为 y=f∑ogy-8,)=fnet). (3) 式中：net=∑0g所-6，y是隐层节点输出。 0,=f∑T:-0). (4) 图1二值化火灾图像 Fig.1 Binary fire image 式中：0为输出层节点输出. 1.2火焰的形状特征 火灾图像的纹理特征、形状特征及颜色特征常 E=224-0,》P 用作判据识别火灾.然而，纹理特征及颜色特征的提 2∑(4-∑T-8)2 取需要对原始图像上所有像素点进行数字处理，计 算量较大.火焰的形状特征则是在图像经过二值化 2Σ话-几∑T∑转-)-0]日 后，仅仅需要通过目标区域内或边缘的像素的简单 (5) 几何求解可得，计算量小.火焰的形状特征大体包括 式中：E为输出层节点的误差 火焰的面积、周长、圆形度、重心.火焰面积等效于目 标区域内所有像素个数，火焰周长则等效于目标区 3 支持向量机 域边缘所有像素个数，而圆形度与位移分别由式 支持向量机[6是在传统统计学基础上发展起 (1)、(2)求解，体现火灾动态特性的火焰形状特征 来的一种具有坚实基础的机器学习方法，是目前针 变化值则是由当前帧的形状特征与前一帧求差取绝 对小样本统计估计和预测学习的最佳理论.可以有 对值而得. 效解决如人脸识别等模式识别问题) 圆形度e是反映区域形状复杂程度的一个特征 支持向量机通过训练样本学习，在特征空间中 量.计算公式为 构造出最优超平面f(x)=gn(wx-b).该超平面与 e=4πS/L2. (1) 不同类样本之间的距离2/‖w‖最大，如图2所示， 式中：S为区域面积，L为区域周长， 从而使支持向量机获得最大泛化能力. 位移d是前一帧重心与当前帧重心的距离，反